論文の概要: Improving generalization of machine learning-identified biomarkers with causal modeling: an investigation into immune receptor diagnostics

• arxiv url: http://arxiv.org/abs/2204.09291v1
• Date: Wed, 20 Apr 2022 08:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-21 15:42:51.049812
• Title: Improving generalization of machine learning-identified biomarkers with causal modeling: an investigation into immune receptor diagnostics
• Title（参考訳）: 因果モデルを用いた機械学習同定バイオマーカーの一般化:免疫受容体診断法の検討
• Authors: Milena Pavlovi\'c, Ghadi S. Al Hajj, Johan Pensar, Mollie Wood, Ludvig M. Sollid, Victor Greiff, Geir Kjetil Sandve
• Abstract要約: 我々は、因果的視点が機械学習に基づく診断における課題の識別を改善することを論じる。 我々は、最近確立された高次元バイオマーカー-アダプティブ免疫受容体レパートリー(AIRRs)に焦点をあてる。 因果モデリングは,変数間の安定な関係を同定することにより,機械学習に基づくバイオマーカーの堅牢性を向上させる。
• 参考スコア（独自算出の注目度）: 2.6001748184183695
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning is increasingly used to discover diagnostic and prognostic biomarkers from high-dimensional molecular data. However, a variety of factors related to experimental design may affect the ability to learn generalizable and clinically applicable diagnostics. Here, we argue that a causal perspective improves the identification of these challenges, and formalizes their relation to the robustness and generalization of machine learning-based diagnostics. To make for a concrete discussion, we focus on a specific, recently established high-dimensional biomarker - adaptive immune receptor repertoires (AIRRs). We discuss how the main biological and experimental factors of the AIRR domain may influence the learned biomarkers and provide easily adjustable simulations of such effects. In conclusion, we find that causal modeling improves machine learning-based biomarker robustness by identifying stable relations between variables and by guiding the adjustment of the relations and variables that vary between populations.
• Abstract（参考訳）: 機械学習は、高次元の分子データから診断と予後のバイオマーカーを発見するためにますます使われている。 しかしながら、実験設計に関連するさまざまな要因が、一般化可能な臨床応用診断の学習能力に影響を与える可能性がある。 ここでは,因果的視点がこれらの課題の同定を改善し,機械学習に基づく診断の堅牢性と一般化との関係を定式化する。 具体的には,最近確立された高次元バイオマーカーであるadaptive immune receptor repertoires (airrs) に注目した。 本稿では,AIRRドメインの主要な生物学的および実験的要因が学習バイオマーカーにどのように影響するかを論じ,その効果の調整が容易なシミュレーションを提供する。 結論として, 因果モデリングは, 変数間の安定な関係を同定し, 個体群間で変化する関係と変数の調整を導くことにより, 機械学習に基づくバイオマーカーのロバスト性を向上させることを見出した。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Improving Model's Interpretability and Reliability using Biomarkers [0.04705265502876046]
  本研究の目的は,バイオマーカーを用いた決定木分類器による説明が,不正確なモデル予測を識別する能力を向上させるかどうかを評価することである。 臨床的に確立されたバイオマーカーに基づく決定木説明は, 臨床医が偽陽性を検出できるように支援し, 医療における診断モデルの信頼性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2024-02-16T20:19:28Z)
• Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review [2.2268038840298714]
  バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。 機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
  論文  参考訳（メタデータ） (2024-01-12T07:01:36Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data [0.8029049649310213]
  我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。 fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。 本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
  論文  参考訳（メタデータ） (2022-12-29T03:31:45Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Adversarial Factor Models for the Generation of Improved Autism Diagnostic Biomarkers [19.48133927082379]
  自閉症スペクトラム障害 (ASD) 診断のためのバイオマーカーの改良に, 逆線形因子モデルを適用した。 まず, 逆線形因子モデルを用いてバイオマーカーから共起情報を除去し, ASD 上の関連する情報のみを含むことを実証する。 次に, このモデルを用いて, 予測性能が向上する多モードバイオマーカーの非交叉表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-09-24T21:56:30Z)
• Interpretable multimodal fusion networks reveal mechanisms of brain cognition [26.954460880062506]
  我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。 脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
  論文  参考訳（メタデータ） (2020-06-16T18:52:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。